CN111222713A - 考虑响应行为不确定性的园区能源互联网优化运行方法 - Google Patents

Abstract

本发明涉及一种考虑响应行为不确定性的园区能源互联网优化运行方法，包括以下步骤：1)构建改进的价格型需求响应不确定性模型，获取最优分时电价策略进行电价调整；2)构建可激励负荷的响应模型，并与可中断负荷共同实现削峰填谷；3)构建可转移和可平移负荷的响应模型，通过建立价格奖惩机制减少响应的不确定性；4)以园区能源互联网运行成本最低作为目标函数，构建园区能源互联网优化调度模型，并求解优化调度模型，并根据结果引导需求侧参与负荷响应。与现有技术相比，本发明具有快速可靠、经济性高、综合考虑价格型和激励型需求响应的不确定性、起到削峰填谷作用等优点。

Description

考虑响应行为不确定性的园区能源互联网优化运行方法

技术领域

本发明涉及配电网优化运行领域，尤其是涉及一种考虑响应行为不确定性的园区能源互联网优化运行方法。

背景技术

需求响应作为用电环节与其他各环节实现协调发展的关键手段，是智能用电互动环节业务中体现能量友好交互的重要方式，需求响应可以有效地减小峰谷差，有利于系统安全稳定运行；但在需求响应策略实施的过程中，由于用户可能对激励缺乏重视、通信延迟、或者消费行为的改变等一系列原因，导致需求响应必然存在一定的不确定性。近年来，有关需求响应不确定性对园区能源互联网优化运行的影响已经引起了广泛学者的关注。然而却没有同时考虑多种需求响应不确定性对园区能源互联网优化运行的影响。且以往的研究成果存在以下不足：一方面难以建立有效机制来引导需求侧参与负荷响应，另一方面，所建立的模型多为非线性过于复杂，求解速度慢而且很难保证求解结果的准确性。

现有的文献利用消费者心理学原理，引入负荷转移率概念，通过建立不确定性需求响应机理模型来表达用户的响应行为，但没有刻画出价格变化与负荷变化之间的关系，而且没有制定出最优分时电价策略。还有文献利用价格弹性矩阵来描述价格变化对负荷变化的影响，并通过三角隶属度函数或者Z-number函数来考虑负荷响应的不确定性，但模糊函数的表达式过于复杂从而导致模型求解比较困难，且没有考虑到用户对于电价的响应实际上存在不响应区和过响应区的问题，这会导致所拟合出的负荷响应与实际的负荷响应存在一定的偏差。

可中断负荷能够起到削峰的作用，然而系统中的风力资源具有反调峰的特性，如何充分吸收风电资源，以及在负荷低谷的时候激励用户增加用电，从而有效降低负荷峰谷差，保证系统安全稳定运行，仍需进一步研究。此外，由于通讯的延时、用户舒适度改变等原因，实际的可平移负荷开始时间可能早于或晚于事先假定的最早开始转入时间，如何减小这种不确定性，值得进一步研究。而可转移负荷类似于可平移负荷，但没有转入开始时间限制，并且在一个调度周期内，用户可以根据自身需求多次进行负荷的转移，但每次负荷的转移量存在一定的不确定性，如何减小可中断负荷的不确定性从而保证负荷曲线的平滑性值得进一步研究。

因此，急需一种考虑响应行为不确定性的园区能源互联网优化运行方法，既能够综合考虑多种需求响应不确定性对园区能源互联网优化运行的影响，又能够快速准确地求解所建立的模型。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种考虑响应行为不确定性的园区能源互联网优化运行方法。

本发明的目的可以通过以下技术方案来实现：

一种考虑响应行为不确定性的园区能源互联网优化运行方法，包括以下步骤：

1)构建改进的价格型需求响应不确定性模型，获取最优分时电价策略进行电价调整；

2)构建可激励负荷的响应模型，并与可中断负荷共同实现削峰填谷；

3)构建可转移和可平移负荷的响应模型，通过建立价格奖惩机制减少响应的不确定性；

4)以园区能源互联网运行成本最低作为目标函数，构建园区能源互联网优化调度模型，并求解优化调度模型，并根据结果引导需求侧参与负荷响应。

所述的步骤1)中，通过改进的价格型需求响应不确定模型拟合出电价调整后各时段的负荷，则有：

其中，Pco_u,t和Pc_u,t分别为分时电价实施前后TOU负荷u的预测负荷与拟合负荷，P_cpa,u和P_cfa,u分别为TOU负荷u响应前峰时段和平时段的负荷平均值，μ_pv、μ_pf、μ_fv分别为峰时段到谷时段、峰时段到平时段、平时段到谷时段的负荷转移率，T_p、T_f、T_v分别表示峰时段、平时段、谷时段，t为对应时段时刻。

所述的步骤1)中，考虑负荷响应率受电价和非经济因素的影响，负荷响应量具有不确定性，则电价调整后各时段的拟合负荷表示为：

其中，ε_p、ε_f、ε_v分别为峰、平、谷时段对应的负荷自响应系数，Pcp_u,t、Pcf_u,t、 Pcv_u,t分别为未考虑价格变化对TOU负荷u需求响应影响时的峰、平、谷时段的拟合负荷，Pc_u,max为TOU负荷u拟合负荷与实际响应负荷之间的最大偏差值，ξ_t为不确定参数，用以表示TOU负荷u在时刻t实际负荷响应量与拟合负荷响应量之间偏差程度。

所述的步骤1)中，采用偏大型和偏小型隶属函数确定各时段负荷隶属于峰、谷时段的程度。

所述的步骤2)中，可中断负荷响应模型中，可中断负荷满足以下约束：

PL_q,min≤ΔPL_q,t≤PL_q,max

Cr{(CIp_q,t+CI_q,t-C_g,t)(PL_q,min-ΔPL_q,t)≥0}≥α₁

Cr{(CIp_q,t-CI_q,t)(ΔPL_q,t-PL_qmax)≥0}≥α₂

则负荷发生中断响应后的补偿费用和惩罚收益为：

CL_q,t＝Ca_q,tΔPL_q,t

其中，PL_q,min和PL_q,max分别为可中断与可激励型负荷q的最小和最大负荷中断量，ΔPL_q,t为t时刻可中断与可激励型负荷q负荷中断量，Cr{·}为置信度函数，α₁和α₂分别为满足欠响应和过响应约束的置信度，CIp_q,t为t时刻可中断与可激励型负荷q参与中断响应后的惩罚电价，CI_q,t为t时刻可中断与可激励型负荷q参与中断响应后的电价，C_g,t为t时刻参与激励响应后PEI从上级电网购电费用，CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用，Ca_q,t为t时刻可中断与可激励型负荷q参与中断响应之后所对应的单位补偿价格，CLS_q,t为负荷发生中断响应后的惩罚收益。

所述的步骤2)中，可激励负荷的响应模型中，在发生欠激励和过激励行为时，通过惩罚成本弥补供电公司的损失收益约束如下：

Pq_q,min≤ΔPq_q,t≤Pq_q,max

Cr{(Clp_q,t-Cl_q,t)(Pq_q,min-ΔPq_q,,t)+Cl_q,tΔPq_q,,t≥0}≥α₃

Cr{(Clp_q,t-C_g,t)(ΔPq_q,t-Pq_q,max)+Cl_q,tΔPq_q,t≥0}≥α₄

则负荷发生激励响应后的补偿费用和惩罚收益分别为：

CQ_q,t＝Cq_q,tΔPq_q,t

其中，Pq_q,min和Pq_q,max分别为可中断与可激励型负荷q的最小和最大负荷激励量，ΔPq_q,t为t时刻可中断与可激励型负荷q的负荷增加量，Cr{·}为置信度函数，α₃和α₄分别为满足欠激励和过激励约束的置信度，Cl_q,t为t时刻可中断与可激励型负荷q参与激励响应后的电价，Clp_q,t为t时刻可中断与可激励型负荷q参与激励响应后的惩罚电价，C_g,t为t时刻参与激励响应后PEI从上级电网购电费用，CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用，Cq_q,t为t时刻可中断与可激励型负荷q参与激励响应之后所对应单位补偿价格，CLP_q,t为负荷发生激励响应后的惩罚收益。

所述的步骤3)中，针对可平移负荷的不确定性，建立的价格惩罚机制为：

CY_k(t)＝Pp_k,t(Cbt_b+Cmt_m+Cut_u)

其中，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用，Pp_k,t为t 时刻可平移负荷k可平移负荷的功率，t_b、t_m、t_u分别为可平移负荷转入过早或过晚所对应的惩罚时间，Cb、Cm、Cu为惩罚时间所对应的单位惩罚价格；

则负荷发生平移后补偿的费用CP_k,t为

CPk_,t＝Cpk_,tPpk_,t

其中，Cp_k,t为t时刻可平移负荷k参与负荷平移之后所对应的单位补偿价格。

所述的步骤3)中，可转移负荷满足以下约束：

可转移负荷功率约束：

δr_,tPrmin≤Prr_,t≤δr_,tPrmax

其中，Pr_min和Pr_max分别为可转移负荷功率的最小值和最大值，Pr_r,t为可转移负荷r在t时刻转移的功率，δ_r,τ为0-1变量，表示可转移负荷在某一时段τ的转移状态，当δ_r,τ＝1时，表示可转移负荷r在τ时段发生了功率转移，当δ_r,τ＝0时，表示可转移负荷r在τ时段没有发生功率转移；

负荷的最小持续运行时间t_tra,min约束：

则负荷发生转移后补偿的费用CR_r,t为：

CRr_,t＝Crr_,tδr_,tPrr_,t

其中，Cr_r,t为t时刻可转移负荷r所对应的单位补偿价格。

所述的步骤4)中，园区能源互联网优化调度模型的目标函数为：

CG_g,t＝Cg_g,tPg_g,tΔT

CS_g,t＝Cs_g,tPs_g,tΔT

Cu_,t＝(CuotPcou_,t-CutPcu_,t)ΔT

其中，C(t)为t时刻开始负荷平移系统所对应的总运行成本，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用，T为完整调度周期可以划分的单位阶段数，CG_g,t为馈线g在t时刻购电所需成本，Cg_g,t为馈线g在t时刻购电价格，Pg_g,t为馈线g在t时刻从电网购买的有功功率，ΔT为单位阶段的时长，C_d,t为燃气轮机 d在t时刻的运行成本，Pd_d,t为燃气轮机d在t时刻的功率值，a_d、b_d、c_d为可控分布式电源的调度成本系数，CS_g,t为馈线g在t时刻向电网售电所获利润，Cs_g,t为馈线g在t时刻向电网售电价格，Ps_g,t为馈线g在t时刻向电网售卖的有功功率，CLP_q,t为负荷发生激励响应后的惩罚收益，C_u,t为实施分时电价后t时刻TOU负荷u减少的电费支出，Cuo_t和Cu_t分别为t时刻实施分时电价前、后单位用电价格，Pco_u,t和Pc_u,t分别为分时电价实施前后TOU负荷u的预测负荷与拟合负荷，CP_k,t为负荷发生平移后补偿的费用，CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用，CLS_q,t为可中断与可激励型负荷q负荷发生中断t时刻的惩罚收益，CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用，CR_r,t为负荷发生转移后补偿的费用，N_q为可中负荷与可激励型负荷的总数，N_u、N_k、N_r分别为价格型、可平移、可转移负荷的总数，N_g为整个配电控制区域的馈线数量，N_d为整个配电控制区域的可控分布式发电单元数量。

所述的园区能源互联网优化调度模型的约束条件包括：

功率平衡约束：

PL_q,t＝PLo_q,t-ΔPL_q,t+ΔPq_q,t

其中，P_i,t为节点i在t时刻注入的有功功率，Q_i,t为节点i在t时刻注入的无功功率，V_i,t和V_j,t分别为节点i和节点j在时刻t的电压，G_ij和B_ij分别是节点i和节点j之间的电导和电纳，θ_ij,t为t时刻节点i和节点j之间的阻抗角，Kd_i,d、Kw_i,w、 Ku_i,u、Kr_i,r、Kp_i,k、Kl_i,q分别为燃气轮机d、风机w、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q与节点i之间的关联矩阵，Pw_w,t、Pd_d,t、 Pc_u,t、Pr_r,t、Pp_k,t、PL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的有功出力，Qw_w,t、Qd_d,t、Qc_u,t、Qr_r,t、Qp_k,t、QL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的无功出力，PLo_q,t和PL_q,t分别为t时刻可中断与可激励型负荷q参与可中断与可激励负荷响应前后的负荷；

节点电压约束：

Vi_,min≤Vi_,t≤Vi_,max

其中，V_i,min和V_i,max分别为节点i的最小和最大电压，V_i,t为节点i的电压。

线路潮流约束：

S_ij,t≤S_ij,max

其中，S_ij,t和S_ij,max分别为线路上节点i和节点j之间t时刻的视在功率和最大视在功率；

分布式电源出力约束：

其中，Pd_d,min和Pd_d,max分别为燃气轮机d的最小和最大有功出力，Qd_d,min和 Qd_d,max分别为燃气轮机d的最小和最大无功出力，

和

分别为风机w的有功和无功出力上限；

采用正态分布来描述预测误差的不确定性；

购售电约束：

0≤Ps_g,t≤d₃Ps_g,t,max

0≤Pg_g,t≤d₄Pg_g,t,max

d₃+d₄＝0

其中，d₃和d₄为二元变量，当馈线向主网售电的时候d₃＝1，d₄＝0，否则d₃＝0， d₄＝1。

与现有技术相比，本发明具有以下优点：

一、快速可靠：本发明能够有效降低模型的求解难度并且能够保证求解结果的准确性。

二、经济性高：本发明能够获有效降低负荷的峰谷差，能够引导需求侧有效参与需求响应，从而可以降低园区能源互联网的运行成本。

三、综合考虑多种需求响应的不确定性：价格型和激励型需求响应的不确定性对园区能源互联网的优化运行结果具有显著的影响，没有综合考虑多种需求响应不确定性对园区能源互联网优化运行的影响会对调度目标波动性的评估产生偏差，因此，本发明构建了综合考虑多种需求响应不确定性的园区能源互联网优化调度模型，可以获得更具经济性的调度方案。

附图说明

图1为改进的IEEE33节点配电系统网络结构图。

图2为三种模型所得价格型负荷曲线图。

图3为最优TOU实施前后最大负荷与负荷率指标对比图。

图4为最优TOU实施前后峰谷差与价格型用户用电总费用指标对比图。

图5为三种方案下的负荷曲线图。

图6为场景4下的系统负荷曲线、风电出力以及购电价格曲线图。

图7为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本发明提供了一种考虑响应行为不确定性的园区能源互联网优化运行方法，包括以下步骤：

1)建立了改进的价格型需求响应不确定性模型并制定最优分时电价策略；

2)考虑到可中断负荷只能起到削峰的作用本发明建立了可激励负荷的响应模型，两者共同作用能够起到削峰填谷的作用；

3)建立了可转移与可平移负荷的响应模型，同时考虑到可平移负荷的不确定性，本发明通过建立价格惩罚机制来引导用户来有效参与需求响应并减少其响应的不确定性；

4)通过分段性化、“ε-松弛”等数学方法将所建立的园区能源互联网优化调度模型线性化，并在GAMS仿真平台编程通过调用CPLEX求解器来求解所建立的线性模型，最终获得园区能源互联网的最优调度运行方案。

所述的步骤1)中，改进的价格型需求响应不确定模型如下：

峰谷时段的负荷响应度曲线为：

式中，μ_pv是峰时段到谷时段的负荷转移率；Δc_pv是峰谷电价差；α_pv是死区阈值；b_pv是饱和阈值；k_pv是峰谷时段转移率曲线线性区的斜率；μ_pv,max是峰谷时段的转移率曲线的最大转移率。

同理，可以得到峰时段到平时段、平时段到谷时段的负荷转移率，分别记为μ_pf和μ_fv。可以得到各时段的拟合负荷为：

式中，Pco_u,t和Pc_u,t分别为TOU实施前后TOU负荷u的预测负荷与拟合负荷； P_cpa,u和P_cfa,u分别为TOU负荷u响应前峰时段和平时段的负荷平均值；T_p、T_f、T_v分别为峰时段、平时段、谷时段，t为其中的任一时段。

考虑到各时段的用电量受到本时段电价变动的影响，引入弹性系数来表示电价变化率对负荷响应率的影响；同时考虑到价格型需求响应遵循用户自愿参与的原则，因此负荷响应率除了受电价的影响，还会受多种非经济因素的作用，负荷响应量具有一定的不确定性。因此电价调整后各时段的拟合负荷可以表示为：

式中，ε_p、ε_f、ε_v分别代表峰平谷时段对应的负荷自响应系数；Pcp_u,t、Pcf_u,t、 Pcv_u,t分别为未考虑价格变化对TOU负荷u需求响应影响时的峰、平、谷时段的拟合负荷；Pc_u,max为TOU负荷u拟合负荷与实际响应负荷之间的最大偏差值；ξ_t为不确定参数，表示用户在时刻t实际负荷响应量与拟合负荷响应量之间偏差程度，需要满足以下约束：

||ξ_t||_∞≤1 (4)

||ξ_t||₁≤Γ (5)

引入ξ_t1和ξ_t2，那么约束(4)-(5)可以转化成如下形式：

ξ_t＝ξ_t1-ξ_t2 (6)

0≤ξ_t1≤1 (7)

0≤ξ_t2≤1 (8)

1'(ξ_t1+ξ_t2)≤Γ (9)

峰平谷时段的合理划分有利于正确反映实际负荷的峰谷特性。本发明分别采用偏大型和偏小型隶属函数来确定各时段负荷隶属于峰、谷时段的程度，则：

式(10)和式(11)分别代表偏大型和偏小型半梯形隶属函数。其中，x为负荷曲线上的各个点；m为负荷曲线上的最小值点；n为负荷曲线上最大值点。

所述的步骤2)中，可中断负荷与可激励负荷的响应模型如下：

在日前调度计划中引入可中断负荷能够提高系统运行备用。用户根据日前生产用电计划向调度中心提交可中断负荷的合同信息，合同内容包括中断容量的最大最小值、参与中断补偿价格、惩罚价格、提前通知时间约束等。

可中断负荷需要满足以下约束

PL_q,min≤ΔPL_q,t≤PL_q,max (12)

Cr{(CIp_q,t+CI_q,t-C_g,t)(PL_q,min-ΔPL_q,t)≥0}≥α₁ (13)

Cr{(CIp_q,t-CI_q,t)(ΔPL_q,t-PL_qmax)≥0}≥α₂ (14)

负荷发生中断响应之后的补偿费用和惩罚收益分别为：

CL_q,t＝Ca_q,tΔPL_q,t (15)

式中，Cr{·}为置信度表达式；α₁和α₂分别为满足欠响应和过响应约束的置信度；式(12)代表用户负荷中断量约束；式(13)代表用户发生欠响应行为时，惩罚成本能够弥补电力公司从上级电网购电所增加成本的概率；式(14)代表用户发生过响应行为时，惩罚成本能够弥补电力公司所减少的售电收益概率；CIp_q,t为t时刻可中断与可激励型负荷q参与中断响应后的惩罚电价；CI_q,t为t时刻可中断与可激励型负荷q参与中断响应后的电价；C_g,t为t时刻PEI从上级电网购电费用；PL_q,min和PL_q,max分别为可中断与可激励型负荷q的最小和最大负荷中断量；ΔPL_q,t为t时刻可中断与可激励型负荷q负荷中断量。CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用；Ca_q,t为t时刻用户参与中断响应之后所对应的单位补偿价格。

由于风电的反调峰特性，在负荷低谷的时候，系统提供的电能充足，因此有必要激励用户在谷时段增加用电量，进而有效降低峰谷差，使得系统能够稳定安全运行。

与可中断负荷合同类似，可激励负荷合同内容包括激励容量的最大最小值；发生欠激励和过激励行为时，惩罚成本能够弥补供电公司损失收益约束如下：

Pq_q,min≤ΔPq_q,t≤Pq_q,max (17)

Cr{(Clp_q,t-Cl_q,t)(Pq_q,min-ΔPq_q,,t)+Cl_q,tΔPq_q,,t≥0}≥α₃ (18)

Cr{(Clp_q,t-C_g,t)(ΔPq_q,t-Pq_q,max)+Cl_q,tΔPq_q,t≥0}≥α₄ (19)

负荷发生激励响应之后需要补偿费用和惩罚收益分别为：

CQ_q,t＝Cq_q,tΔPq_q,t (20)

式中，α₃和α₄分别为满足欠激励和过激励约束的置信度；式(17)代表可激励负荷增加量约束；式(18)代表用户发生欠激励行为时，惩罚成本能够弥补电力公司电能损失收益约束；式(19)代表用户发生过激励行为时，惩罚成本能够弥补电力公司增加购电成本约束；Cl_q,t为t时刻可中断与可激励型负荷q参与激励响应后的电价； Clp_q,t为t时刻可中断与可激励型负荷q参与激励响应后的惩罚电价；C_g,t为t时刻用户参与激励响应后PEI从上级电网购电费用；Pq_q,min和Pq_q,max分别为用户的最小和最大负荷激励量；ΔPq_q,t为t时刻可中断与可激励型负荷q负荷增加量。CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用；Cq_q,t为t时刻可中断与可激励型负荷q参与激励响应之后所对应单位补偿价格。

考虑到同一时刻，用户不能同时参与可中断负荷响应与可激励负荷响应，因此负荷中断量与负荷激励量需要满足以下约束：

0≤ΔPL_q,t≤d₁PL_q,max (22)

0≤ΔPq_q,t≤d₂Pq_q,max (23)

d₁+d₂＝1 (24)

式(22)-(24)可以保证可中断响应与可激励响应不能够同时进行。d₁和d₂是二元变量，当用户发生可中断负荷响应的时候d₁＝1，d₂＝0；否则d₁＝0，d₂＝1。

所述的步骤3)包含可平移与可转移负荷模型，针对可平移负荷的不确定性，本发明所建立的价格惩罚机制如下：

可平移负荷需要满足平移量约束：

式中，N_k,t,t*为从t时段转移到t*时段的k类可平移负荷单元数量；N_k,t为原来t 时段第k类负荷的单元数量，式(25)可以保证平移前后整个调度周期内总负荷量不变。

此外合同中会约定可平移负荷可以选择转入的时间段[t₁,t₂]

t₂-t₁≥t_k,min (26)

式中，t_k,min代表第k类可平移负荷的最小平移裕度，式(26)是为了保证负荷可平移时间间隔要大于最小可平移裕度。t₁为可平移负荷最早可能转入时间,传统的可平移负荷合同认为用户会会准确的在这个时间之后开始负荷平移，然而实际的负荷，可能由于各种原因，如通讯延迟、用户舒适度影响，平移开始时间可能早于最早转入时间或者大于最晚转入时间。考虑到实际情况，应该引入惩罚机制来引导用户减小负荷平移开始时间的不确定性。

CY_k(t)＝Pp_k,t(Cbt_b+Cmt_m+Cut_u) (27)

负荷发生平移之后需要补偿的费用为：

CP_k,t＝Cp_k,tPp_k,t (31)

式中，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用；Pp_k,t为t 时刻可平移负荷k可平移负荷的功率为已知参数；t_b、t_m、t_u分别为可平移负荷转入过早或过晚所对应的惩罚时间；Cb、Cm、Cu假设为惩罚时间所对应的单位惩罚价格；t是负荷平移开始的时间；CP_k,t为t时刻可平移负荷k平移之后的补偿费用； Cp_k,t为t时刻可平移负荷k参与负荷平移之后所对应的单位补偿价格。

假设可转移负荷的转移时段区间为[t₃,t₄]，用0-1变量δ_τ表示可转移负荷在某一时段τ的转移状态，当δ_r,τ＝1，表示在可转移负荷r在τ时段发生了功率转移，反之没有发生功率转移，其转移的功率需要满足以下约束：

δ_r,tPr_min≤Pr_r,t≤δ_r,tPr_max (32)

式中，Pr_min和Pr_max分别代表可转移负荷功率的最小值和最大值；Pr_r,t为可转移负荷r在t时刻转移的功率。

负荷转移时如果不加限制，则会出现负荷转移到多个时段的情况，因此需要对负荷的最小持续运行时间进行约束：

负荷发生转移之后需要补偿的费用为：

CR_r,t＝Cr_r,tδ_r,tPr_r,t (34)

其中，Cr_r,t为t时刻可转移负荷r所对应的单位补偿价格。

所述的步骤4)中，园区能源互联网优化调度模型及模型的线性化如下：

41)目标函数

园区能源互联网(Park Energy Internet，PEI))的优化运行，考虑了十一部分成本，分别是PEI从上级电网购电成本、PEI向上级电网售电所获利润，燃气轮机的发电成本、实施分时电价后用户通过调整用电方式可以减少的电费支出、负荷平移补偿费用和惩罚收益、负荷中断补偿费用和惩罚收益、负荷激励补偿费用和惩罚收益、负荷发生转移之后的补偿费用、PEI的目标是尽可能地降低运行成本，因此可以得到以下目标函数，

CG_g,t＝Cg_g,tPg_g,tΔT (36)

CS_g,t＝Cs_g,tPs_g,tΔT (37)

C_u,t＝(Cuo_tPco_u,t-Cu_tPc_u,t)ΔT (39)

式中：C(t)为t时刻开始负荷平移系统所对应的总运行成本，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用，T为完整调度周期可以划分的单位阶段数，CG_g,t为馈线g在t时刻购电所需成本，Cg_g,t为馈线g在t时刻购电价格，Pg_g,t为馈线g在t时刻从电网购买的有功功率，ΔT为单位阶段的时长，C_d,t为燃气轮机 d在t时刻的运行成本，Pd_d,t为燃气轮机d在t时刻的功率值，a_d、b_d、c_d为可控分布式电源的调度成本系数，CS_g,t为馈线g在t时刻向电网售电所获利润，Cs_g,t为馈线g在t时刻向电网售电价格，Ps_g,t为馈线g在t时刻向电网售卖的有功功率，CLP_q,t为负荷发生激励响应后的惩罚收益，C_u,t为实施分时电价后t时刻TOU负荷u减少的电费支出，Cuo_t和Cu_t分别为t时刻实施分时电价前、后单位用电价格，Pco_u,t和Pc_u,t分别为分时电价实施前后TOU负荷u的预测负荷与拟合负荷，CP_k,t为负荷发生平移后补偿的费用，CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用，CLS_q,t为可中断与可激励型负荷q负荷发生中断t时刻的惩罚收益，CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用，CR_r,t为负荷发生转移后补偿的费用，N_q为可中负荷与可激励型负荷的总数，N_u、N_k、N_r分别为价格型、可平移、可转移负荷的总数，N_g为整个配电控制区域的馈线数量，N_d为整个配电控制区域的可控分布式发电单元数量。

42)约束条件

421)功率平衡约束

PL_q,t＝PLo_q,t-ΔPL_q,t+ΔPq_q,t (46)

式中：P_i,t为节点i在t时刻注入的有功功率，Q_i,t为节点i在t时刻注入的无功功率，V_i,t和V_j,t分别为节点i和节点j在时刻t的电压，G_ij和B_ij分别是节点i和节点j之间的电导和电纳，θ_ij,t为t时刻节点i和节点j之间的阻抗角，Kd_i,d、Kw_i,w、 Ku_i,u、Kr_i,r、Kp_i,k、Kl_i,q分别为燃气轮机d、风机w、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q与节点i之间的关联矩阵，Pw_w,t、Pd_d,t、 Pc_u,t、Pr_r,t、Pp_k,t、PL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的有功出力，Qw_w,t、Qd_d,t、Qc_u,t、Qr_r,t、Qp_k,t、QL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的无功出力，PLo_q,t和PL_q,t分别为t时刻可中断与可激励型负荷q参与可中断与可激励负荷响应前后的负荷。

422)节点电压约束

V_i,min≤V_i,t≤V_i,max (47)

式中，V_i,min和V_i,max分别代表节点i的最小和最大电压，V_i和是节点i的电压。

423)线路潮流约束

式中，S_ij,t和S_ij,max分别是线路上节点i和节点j之间t时刻的视在功率和最大视在功率。

424)分布式电源出力约束

式中，Pd_d,min和Pd_d,max分别代表燃气轮机d的最小和最大有功出力；Qd_d,min和 Qd_d,max分别代表燃气轮机d的最小和最大无功出力；

和

分别为风机的有功和无功出力上限。

425)风电不确定性处理

风电本质上是输出功率具有波动性且不易控制的电源，是典型的间歇性、低功率密度电源。风电预测误差的随机分布并非本发明研究的重点，为了不失一般性，本发明采用正态分布来描述预测误差的不确定性

e_t＝Pw_w,t-Pwr_w,t (52)

式中，e_t为风电t时刻实际出力值与预测值之间的误差；Pwr_w,t为第w个风电场t时刻风电出力预测值；W_n为风电场的装机容量。

426)购售电约束

0≤Ps_g,t≤d₃Ps_g,t,max (53)

0≤Pg_g,t≤d₄Pg_g,t,max (54)

d₃+d₄＝0 (55)

式(53)-(55)可以保证购电和售电不能够同时进行。d₃和d₄是二元变量，当馈线向主网售电的时候d₃＝1，d₄＝0；否则d₃＝0，d₄＝1。

43)模型求解

431)机会约束的转换

本发明所建立的决策模型含有模糊参变量，根据不确定规划理论可以将其转化为清晰等价类后进行求解。

设ΔPq_q,t是用梯形模糊函数来表示：

ΔPq_q,t＝(ΔPL_q,t,1,ΔPL_q,t,2,ΔPL_q,t,3,ΔPL_q,t,4)

当α₁≥0.5，α₂≥0.5时，可中断负荷约束(式(13)-(14))，可以将决策模型转化成以下清晰等价类：

2(ΔPL_q,t,1-ΔPL_q,t,2)(1-α₁)+ΔPL_q,t,2≤PL_q,min (56)

PL_qmax≤2(ΔPL_q,t,3+ΔPL_q,t,4)(1-α₂)+ΔPL_q,t,3 (57)

式中，ΔPL_q,t,1、ΔPL_q,t,2、ΔPL_q,t,3和ΔPL_q,t,4为时段负荷的隶属度函数。同理可得约束(17)和(18)的清晰等价类表达式，此处不再重复赘述。

432)模型的线性化处理

式(34)是包含0-1变量的非线性约束，引入辅助变量Y_r,t，令Y_r,t＝δ_r,tPr_r,t，并建立如下形式的线性约束：

Pr_r,t+Pr_max(δ_r,t-1)≤Y_r,t≤Pr_r,t (58)

Pr_minδ_r,t≤Y_r,t≤Pr_maxδ_r,t (59)

此时，当δ_r,t＝0的时候，Y_r,t＝0；当δ_r,t＝1的时候,Y_r,t＝Pr_r,t，通过这种线性化方法，不需要任何近似就可以将原来的非线性约束线性化。

式(38)是有关燃气轮机出力的二次成本函数，可以采用分段线性化的方法将其转化为线性约束。功率平衡约束可以转化成锥的形式，线路潮流约束式(48)也是一个锥的形式，采用Ben-Tal and Nemirovski提出的“ε-松弛”方法，对凸二阶锥进行多面体近似描述，可以将其二阶锥约束转化成线性约束。由于分段线性化和“ε-松弛”方法是常用的线性化处理方法不是本发明的创新点，所以本发明在此处就不再赘述其详细转化步骤。

实施例

如图7所示，本发明提出的一种考虑响应行为不确定性的园区能源互联网优化运行方法，首先，建立了改进的价格型需求响应不确定性数学模型；然后，建立可中断负荷与可激励负荷的响应模型；接着，通过引入价格惩罚机制建立了计及可平移负荷不确定性的负荷响应模型，同时也建立了可转移负荷的响应模型；最后通过分段线性化和“ε-松弛”方法将所建立的非线性模型转化成了线性模型，并在GAMS 仿真平台进行试验算例分析

具体求解步骤如下：

步骤1：建立基于消费者心理学原理的价格型负荷响应模型；

步骤2：通过引入负荷自响应系数和不确定参数并建立范数约束条件，从而拟合出电价调整后各时段的负荷，并通过偏大型和偏小型隶属函数来确定各时段负荷隶属于峰、谷时段的程度；

步骤3：建立可中断负荷与可激励负荷的机会约束模型，并通过不确定规划理论将其转化为清晰等价类约束条件；

步骤4：引入价格惩罚机制从而构建出计及可平移负荷不确定性的负荷响应模型，同时建立了可转移负荷的数学模型；

步骤5：本发明以园区能源互联网运行成本最低为目标建立了计及功率平衡约束、节点电压约束、线路潮流约束、分布式电源出力约束的优化调度模型；

步骤6：利用分段线性化、松弛等数学方法将所建立的非线性优化调度模型线性化；

步骤7：利用GAMS平台进行编程，通过调用CPLEX求解器来求解所建立的线性模型；

步骤8：求解优化调度模型，制定出有效策略来引导需求侧参与负荷响应。

本发明首先建立了改进的价格型需求响应不确定性模型并制定了最优分时电价策略，然后，考虑到可中断负荷只能起到削峰的作用，本发明建立了可激励负荷的响应模型，两者共同作用能够起到削峰填谷的作用，接着建立了可转移与可平移负荷的响应模型，同时考虑到可平移负荷的不确定性，本发明通过建立价格惩罚机制来引导用户来有效参与需求响应并减少其响应的不确定性，最后，通过分段性化、“ε-松弛”等数学方法将所建立的园区能源互联网优化调度模型线性化，最后在改进的IEEE33节点系统进行算例仿真。

本发明通过引入不确定参数和范数约束条件来描述负荷预测偏差。为了验证该方法的有效性，本发明将其与模糊函数法进行了对比分析。所得优化结果如表1 所示：从表1可以看出，在求解该问题的时候，本发明所提方法相对于模糊函数法所得结果更优节省了3.35％成本。且计算时间显著减少，减少了93.71％。因此本发明所提方法具有较好的合理性。此外，本发明以TOU型消费者盈余最大化为目标函数，制定出了最优的峰谷分时电价策略如表2所示。对比表3可知，峰时段的时长没有改变，平时段的时长增加了2小时，谷时段的时长减少了2小时。对应的峰时段电价增加了0.03元/kW.h，平、谷时段电价分别减少了0.05元/kW.h和0.06 元/kW.h。为了验证可平移负荷能够有效提高系统运行的安全经济性，本发明设置了以下三种情景进行分析对比，其结果如表4所示，情景1：不考虑可平移负荷的系统运行情况；情景2：考虑可平移负荷但未计及其不确定性的系统运行情况；情景3：考虑可平移负荷及其不确定性的系统运行情况；由表4分析可知，考虑可平移负荷参与的系统能够获得更好的经济效益，与情景1和情景2相对比，情景3 负荷峰值分别降低了254.70kW和197.33kW，峰谷差减小，起到了削峰填谷的作用。此外，还可以看出，考虑可平移负荷不确定性，建立奖惩机制之后，虽然增加了一点补偿成本，但减少了从外界供电成本和燃气轮机发电成本进而降低了系统运行的总成本，由此可见，计及可平移负荷及其不确定性的系统运行方案能够获得更优的经济性。为了验证本文所提模型的有效性，本文设置了4中场景来对比分析考虑需求响应不确定性对园区能源互联网优化运行的影响。场景1：考虑DR，但不计及其不确定性；场景2：仅考虑不确定性的价格型DR参与系统运行调度；场景 3：仅考虑不确定性的激励型DR参与系统运行调度；场景4：同时考虑不确定性的价格型和激励型DR参与系统运行调度。各种场景下的成本对比如表5所示，由表5可知，由于风电装机容量较小，四种场景下均没有向上级电网售电收益；场景 1下PEI从上级电网购电成本最大，场景4则是最小的，且场景4所对应的PEI运行成本也是最小的。这是因为综合考虑多种需求响应的不确定性后，能够有效起到削峰填谷的作用，减小负荷波动，降低了PEI从上级电网购电的成本，进而降低了系统总的运行成本；对比场景2和场景3可知，基于价格型的需求响应参与后的电力系统运行成本高于基于激励型的需求响应运行成本，这是因为基于激励的需求响应能够更大程度的影响系统的调度，且对负荷的削峰填谷作用比价格型的需求响应更加的明显。

表1模型对比分析

表2最优峰谷分时电价策略

表3原来的价格型需求响应时段划分和电价策略

表4三种方案的结果对比

表5各场景下的成本对比

改进的IEEE33节点配电系统网络结构图如图1所示；为了验证本发明所提改进模型的有效性，本发明对比分析了以下三种模型所得价格型负荷曲线如图2所示。模型1：本发明所提改进(time-of-use，TOU)模型；模型2：基于消费者心理学模型；模型3：基于价格弹性矩阵模型。由图2可知，模型3拟合出的负荷曲线较高，这是因为，价格弹性矩阵模型没有考虑到用户对于电价的响应实际上存在不响应区和过响应区的问题，所以得到的负荷曲线较高；而基于消费者心理学模型，由于过于保守认为在死区没有负荷响应，导致模型2所拟合的负荷曲线较小。而本发明所提改进模型1所拟合的负荷曲线与原来的负荷曲线最为接近。这是由于本发明所提改进的TOU模型能够从用户角度考虑的同时，兼顾预测偏差所带来的影响，进而可以减小拟合负荷的偏差。为了验证该策略的合理有效性，本发明比较分析了最优 TOU实施前后各特征指标，如图3和图4所示。由图3和图4可知，实施最优TOU 后，峰时段的负荷降低了1.70％，负荷率提高了1.55％，峰谷差降低了10.78％，用户节省的电费为3383元。这说明最优TOU的实施有效地实现了负荷由峰时刻向低谷时刻的转移，即能降低用户的用电费用，又能起到削峰填谷的作用，由此可见，采用最优峰谷电价策略对供需两侧都有利。为了验证可中断负荷与可激励负荷共同作用的有效性，本发明又设置了以下三种方案来进行仿真实验：方案1：仅考虑可中断负荷参与需求响应的系统运行情况；方案2：仅考虑可激励负荷参与需求响应的系统运行情况；方案3：同时考虑可中断负荷参与需求响应的系统运行情况；三种方案下的负荷响应曲线如图5所示，由图5分析可知，方案1下，系统的负荷在午高峰和晚高峰的时候发生了负荷减载，此时负荷的峰谷差为2799.62kW；对比方案1，方案2下，负荷没有在用电高峰的时候发生减载，但方案1可以有效促进需求侧在负荷低谷的时候增加用电量，从而有效消纳了风电，进而在一定程度上有效降低了负荷峰谷差，负荷峰谷差为2835.47kW；对比方案1和方案2，方案3综合考虑了可中断负荷响应和可激励负荷响应，并建立奖惩机制，从而有效需求侧在负荷低估的时候增加了用电量，在负荷高峰的时候减小了负荷需求，有效降低了负荷峰谷差，负荷峰谷差仅为2659.36kW，由此可见两种需求响应方式的共同作用，更加有利于系统的安全稳定运行。场景4：同时考虑不确定性的价格型和激励型 DR参与系统运行调度方案下的负荷曲线、风电出力曲线以及购电价格曲线如图6 所示，其中风电优化出力值为图中风电出力曲线同比例缩小13倍所得，由图6可知，09:00-15:00，以及18:00-21:00是系统负荷用电的高峰时段，而此时PEI从上级电网购电的成本较高，电力公司可以通过提高电价并制定相应的奖励机制来激励用户进行负荷中断、平移或转移以降低自身用电需求，进而减小系统的运行成本；而23:00-08:00，16:00-17:00属于用电低谷时段，此时系统内的WT出力大且从上级电网购电的费用低，电力公司可以通过实施低电价并制定相应的惩罚机制来激励用户在该时段进行用电，进而促进系统运行的经济性。

因此，本发明提出的方法在求解园区能源互联网优化运行问题中同时兼具计算精度高和计算速度快的优势。此外本发明综合考虑多种需求响应的不确定性对园区能源互联网优化运行的影响，使得调度方法更符合实际运行情况。

Claims (10)

1.一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，包括以下步骤：

1)构建改进的价格型需求响应不确定性模型，获取最优分时电价策略进行电价调整；

2)构建可激励负荷的响应模型，并与可中断负荷共同实现削峰填谷；

3)构建可转移和可平移负荷的响应模型，通过建立价格奖惩机制减少响应的不确定性；

4)以园区能源互联网运行成本最低作为目标函数，构建园区能源互联网优化调度模型，并求解优化调度模型，并根据结果引导需求侧参与负荷响应。

2.根据权利要求1所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤1)中，通过改进的价格型需求响应不确定模型拟合出电价调整后各时段的负荷，则有：

其中，Pco_u,t和Pc_u,t分别为分时电价实施前后TOU负荷u的预测负荷与拟合负荷，P_cpa,u和P_cfa,u分别为TOU负荷u响应前峰时段和平时段的负荷平均值，μ_pv、μ_pf、μ_fv分别为峰时段到谷时段、峰时段到平时段、平时段到谷时段的负荷转移率，T_p、T_f、T_v分别表示峰时段、平时段、谷时段，t为对应时段时刻。

3.根据权利要求2所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤1)中，考虑负荷响应率受电价和非经济因素的影响，负荷响应量具有不确定性，则电价调整后各时段的拟合负荷表示为：

其中，ε_p、ε_f、ε_v分别为峰、平、谷时段对应的负荷自响应系数，Pcp_u,t、Pcf_u,t、Pcv_u,t分别为未考虑价格变化对TOU负荷u需求响应影响时的峰、平、谷时段的拟合负荷，Pc_u,max为TOU负荷u拟合负荷与实际响应负荷之间的最大偏差值，ξ_t为不确定参数，用以表示TOU负荷u在时刻t实际负荷响应量与拟合负荷响应量之间偏差程度。

4.根据权利要求3所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤1)中，采用偏大型和偏小型隶属函数确定各时段负荷隶属于峰、谷时段的程度。

5.根据权利要求3所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤2)中，可中断负荷响应模型中，可中断负荷满足以下约束：

PL_q,min≤ΔPL_q,t≤PL_q,max

Cr{(CIp_q,t+CI_q,t-C_g,t)(PL_q,min-ΔPL_q,t)≥0}≥α₁

Cr{(CIp_q,t-CI_q,t)(ΔPL_q,t-PL_qmax)≥0}≥α₂

则负荷发生中断响应后的补偿费用和惩罚收益为：

CL_q,t＝Ca_q,tΔPL_q,t

其中，PL_q,min和PL_q,max分别为可中断与可激励型负荷q的最小和最大负荷中断量，ΔPL_q,t为t时刻可中断与可激励型负荷q负荷中断量，Cr{·}为置信度函数，α₁和α₂分别为满足欠响应和过响应约束的置信度，CIp_q,t为t时刻可中断与可激励型负荷q参与中断响应后的惩罚电价，CI_q,t为t时刻可中断与可激励型负荷q参与中断响应后的电价，C_g,t为t时刻参与激励响应后PEI从上级电网购电费用，CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用，Ca_q,t为t时刻可中断与可激励型负荷q参与中断响应之后所对应的单位补偿价格，CLS_q,t为负荷发生中断响应后的惩罚收益。

6.根据权利要求3所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤2)中，可激励负荷的响应模型中，在发生欠激励和过激励行为时，通过惩罚成本弥补供电公司的损失收益约束如下：

Pq_q,min≤ΔPq_q,t≤Pq_q,max

Cr{(Clp_q,t-Cl_q,t)(Pq_q,min-ΔPq_q,,t)+Cl_q,tΔPq_q,,t≥0}≥α₃

Cr{(Clp_q,t-C_g,t)(ΔPq_q,t-Pq_q,max)+Cl_q,tΔPq_q,t≥0}≥α₄

则负荷发生激励响应后的补偿费用和惩罚收益分别为：

CQ_q,t＝Cq_q,tΔPq_q,t

其中，Pq_q,min和Pq_q,max分别为可中断与可激励型负荷q的最小和最大负荷激励量，ΔPq_q,t为t时刻可中断与可激励型负荷q的负荷增加量，Cr{·}为置信度函数，α₃和α₄分别为满足欠激励和过激励约束的置信度，Cl_q,t为t时刻可中断与可激励型负荷q参与激励响应后的电价，Clp_q,t为t时刻可中断与可激励型负荷q参与激励响应后的惩罚电价，C_g,t为t时刻参与激励响应后PEI从上级电网购电费用，CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用，Cq_q,t为t时刻可中断与可激励型负荷q参与激励响应之后所对应单位补偿价格，CLP_q,t为负荷发生激励响应后的惩罚收益。

7.根据权利要求1所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤3)中，针对可平移负荷的不确定性，建立的价格惩罚机制为：

CY_k(t)＝Pp_k,t(Cbt_b+Cmt_m+Cut_u)

其中，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用，Pp_k,t为t时刻可平移负荷k可平移负荷的功率，t_b、t_m、t_u分别为可平移负荷转入过早或过晚所对应的惩罚时间，Cb、Cm、Cu为惩罚时间所对应的单位惩罚价格；

则负荷发生平移后补偿的费用CP_k,t为

CP_k,t＝Cp_k,tPp_k,t

其中，Cp_k,t为t时刻可平移负荷k参与负荷平移之后所对应的单位补偿价格。

8.根据权利要求7所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤3)中，可转移负荷满足以下约束：

可转移负荷功率约束：

δ_r,tPr_min≤Pr_r,t≤δ_r,tPr_max

其中，Pr_min和Pr_max分别为可转移负荷功率的最小值和最大值，Pr_r,t为可转移负荷r在t时刻转移的功率，δ_r,τ为0-1变量，表示可转移负荷在某一时段τ的转移状态，当δ_r,τ＝1时，表示可转移负荷r在τ时段发生了功率转移，当δ_r,τ＝0时，表示可转移负荷r在τ时段没有发生功率转移；

负荷的最小持续运行时间t_tra,min约束：

则负荷发生转移后补偿的费用CR_r,t为：

CR_r,t＝Cr_r,tδ_r,tPr_r,t

其中，Cr_r,t为t时刻可转移负荷r所对应的单位补偿价格。

9.根据权利要求1所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的步骤4)中，园区能源互联网优化调度模型的目标函数为：

CG_g,t＝Cg_g,tPg_g,tΔT

CS_g,t＝Cs_g,tPs_g,tΔT

C_u,t＝(Cuo_tPco_u,t-Cu_tPc_u,t)ΔT

其中，C(t)为t时刻开始负荷平移系统所对应的总运行成本，CY_k(t)为t时刻可平移负荷k开始负荷平移所产生的惩罚费用，T为完整调度周期可以划分的单位阶段数，CG_g,t为馈线g在t时刻购电所需成本，Cg_g,t为馈线g在t时刻购电价格，Pg_g,t为馈线g在t时刻从电网购买的有功功率，ΔT为单位阶段的时长，C_d,t为燃气轮机d在t时刻的运行成本，Pd_d,t为燃气轮机d在t时刻的功率值，a_d、b_d、c_d为可控分布式电源的调度成本系数，CS_g,t为馈线g在t时刻向电网售电所获利润，Cs_g,t为馈线g在t时刻向电网售电价格，Ps_g,t为馈线g在t时刻向电网售卖的有功功率，CLP_q,t为负荷发生激励响应后的惩罚收益，C_u,t为实施分时电价后t时刻TOU负荷u减少的电费支出，Cuo_t和Cu_t分别为t时刻实施分时电价前、后单位用电价格，Pco_u,t和Pc_u,t分别为分时电价实施前后TOU负荷u的预测负荷与拟合负荷，CP_k,t为负荷发生平移后补偿的费用，CL_q,t为可中断与可激励型负荷q负荷发生中断t时刻的补偿费用，CLS_q,t为可中断与可激励型负荷q负荷发生中断t时刻的惩罚收益，CQ_q,t为可中断与可激励型负荷q参与激励响应之后t时刻的补偿费用，CR_r,t为负荷发生转移后补偿的费用，N_q为可中负荷与可激励型负荷的总数，N_u、N_k、N_r分别为价格型、可平移、可转移负荷的总数，N_g为整个配电控制区域的馈线数量，N_d为整个配电控制区域的可控分布式发电单元数量。

10.根据权利要求9所述的一种考虑响应行为不确定性的园区能源互联网优化运行方法，其特征在于，所述的园区能源互联网优化调度模型的约束条件包括：

功率平衡约束：

PL_q,t＝PLo_q,t-ΔPL_q,t+ΔPq_q,t

其中，P_i,t为节点i在t时刻注入的有功功率，Q_i,t为节点i在t时刻注入的无功功率，V_i,t和V_j,t分别为节点i和节点j在时刻t的电压，G_ij和B_ij分别是节点i和节点j之间的电导和电纳，θ_ij,t为t时刻节点i和节点j之间的阻抗角，Kd_i,d、Kw_i,w、Ku_i,u、Kr_i,r、Kp_i,k、Kl_i,q分别为燃气轮机d、风机w、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q与节点i之间的关联矩阵，Pw_w,t、Pd_d,t、Pc_u,t、Pr_r,t、Pp_k,t、PL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的有功出力，Qw_w,t、Qd_d,t、Qc_u,t、Qr_r,t、Qp_k,t、QL_q,t分别为t时刻风机w、燃气轮机d、TOU负荷u、可转移负荷r、可平移负荷k、可中断与可激励型负荷q的无功出力，PLo_q,t和PL_q,t分别为t时刻可中断与可激励型负荷q参与可中断与可激励负荷响应前后的负荷；

节点电压约束：

V_i,min≤V_i,t≤V_i,max

其中，V_i,min和V_i,max分别为节点i的最小和最大电压，V_i,t为节点i的电压。

线路潮流约束：

S_ij,t≤S_ij,max

其中，S_ij,t和S_ij,max分别为线路上节点i和节点j之间t时刻的视在功率和最大视在功率；

分布式电源出力约束：

其中，Pd_d,min和Pd_d,max分别为燃气轮机d的最小和最大有功出力，Qd_d,min和Qd_d,max分别为燃气轮机d的最小和最大无功出力，

和

分别为风机w的有功和无功出力上限；

采用正态分布来描述预测误差的不确定性；

购售电约束：

0≤Ps_g,t≤d₃Ps_g,t,max

0≤Pg_g,t≤d₄Pg_g,t,max

d₃+d₄＝0

其中，d₃和d₄为二元变量，当馈线向主网售电的时候d₃＝1，d₄＝0，否则d₃＝0，d₄＝1。

Images